[论文解读] Scalable Analysis of Socially Informed Network Models

Julie M. Birkholz, Rena Bakhshi+3 more|arXiv (Cornell University)|Sep 28, 2012

Complex Network Analysis Techniques参考文献 25被引用 1

一句话总结

本文提出了一种可扩展的平均场模型，整合了网络拓扑结构与社交属性，以预测大规模社交网络中的链接形成，克服了先前模型在计算上的局限性。通过利用数据感知的参数化方法，该模型表明，内生的网络动态与外生的社会因素共同塑造了大规模网络的演化，实现了在真实共作者网络中高效且准确的预测。

ABSTRACT

Studies on social networks have proved that endogenous and exogenous factors influence dynamics. Two streams of modeling exist on explaining the dynamics of social networks: 1) models predicting links through network properties, and 2) models considering the effects of social attributes. In this interdisciplinary study we work to overcome a number of computational limitations within these current models. We employ a mean-field model which allows for the construction of a population-specific socially informed model for predicting links from both network and social properties in large social networks. The model is tested on a population of conference coauthorship behavior, considering a number of parameters from available Web data. We address how large social networks can be modeled preserving both network and social parameters. We prove that the mean-field model, using a data-aware approach, allows us to overcome computational burdens and thus scalability issues in modeling large social networks in terms of both network and social parameters. Additionally, we confirm that large social networks evolve through both network and social-selection decisions; asserting that the dynamics of networks cannot singly be studied from a single perspective but must consider effects of social parameters.

研究动机与目标

• 解决在建模同时包含网络结构与社交属性的大规模社交网络时存在的计算可扩展性问题。
• 克服现有模型仅孤立关注网络属性或社交因素的局限性。
• 开发一种数据感知的、针对特定人群的建模框架，以在大规模网络动态中保持网络与社交参数。
• 证明大规模网络中的链接形成是由网络驱动机制与社会选择机制共同作用的结果。

提出的方法

• 采用平均场近似以降低大规模社交网络建模的计算复杂度。
• 将基于网络的特征（例如，度数、聚类系数）与社交属性（例如，机构隶属关系、研究兴趣）整合到统一的预测模型中。
• 使用来自会议共作者网络的真实网络数据对模型参数进行校准。
• 构建一种针对特定人群的模型，动态平衡网络拓扑与社交相似性对模型的贡献。
• 采用数据感知方法对模型进行参数化，确保其在大规模数据集上的可扩展性与对经验网络结构的保真度。
• 通过将预测的链接形成结果与真实数据集中观察到的共作者模式进行对比，验证模型性能。

实验结果

研究问题

• RQ1 如何在同时保留网络与社交参数的前提下，高效地对大规模社交网络进行建模？
• RQ2 内生网络属性与外生社交属性在多大程度上共同影响大规模网络中的链接形成？
• RQ3 平均场近似是否能有效扩展到大规模共作者网络，同时不损失预测准确性？
• RQ4 在网络结构与社交属性之间，哪一方在塑造现实世界协作网络的链接动态中贡献更大？

主要发现

• 平均场模型成功降低了计算复杂度，实现了对同时包含网络与社交参数的大规模社交网络的可扩展分析。
• 该模型证实，大规模共作者网络中的链接形成是由网络驱动机制与社会选择过程共同作用的结果。
• 与仅依赖网络拓扑的模型相比，引入社交属性显著提升了预测准确性。
• 数据感知的参数化方法在保持计算效率的同时，确保了模型对真实网络结构的保真度。
• 在共作者数据上的实证验证表明，网络邻近性与社交同质性在协作形成过程中均发挥可测量且互补的作用。
• 本研究表明，若不考虑社交属性，网络动态将无法被充分理解，从而挑战了网络纯粹结构演化的假设。